通过扩展相位图建模，提高了oai数据中t2映射的精度和可重复性

骨关节炎倡议是一项骨关节炎的纵向研究，前瞻性地收集了大量影像学数据，包括用于单膝软骨T2松弛时间评估的多回声自旋回声(Multi-Echo Spin-Echo, MESE)数据。虽然这些数据仍未得到充分利用，但在过去几年中已经进行了一些分析，以利用OAI数据集评估T2对OA的敏感性。然而，从OAI中的MESE数据计算T2图的拟合程序主要依赖于单指数模型，这本质上是次优的，因为它没有考虑射频切片剖面和B1不均匀性产生的受激回波，而且它经常不能考虑较长te中的低信噪比。为了减少错误，一种常见的做法是丢弃第一个回波并拟合剩余的6个回波，代价是丢弃信息和降低信噪比效率。无论是基于非线性最小二乘(NLSQ)字典匹配(DM)还是基于深度学习(DL)，使用扩展相位图(EPG)模型对最大谱图数据进行T2拟合，都可以解释受刺激回波，并可能为OAI中的T2映射提供更准确和鲁棒的拟合。目的:1)建立3种用于OAI数据集T2映射的EPG拟合方法(基于nlsq、基于dm和基于dl)， 2)使用模拟和活体数据评估方法的准确性和对噪声的鲁棒性，3)将它们与基于单指数方法的标准拟合方法进行比较。方法采用考虑OAI数据序列参数的EPG形式，在Matlab (R2022b)中进行smese模拟。采用汉宁窗Sinc脉冲进行切片剖面模拟。考虑了先前OAI文献中使用的三种基于epg的拟合方法和三种基于指数(EXP)的方法，并在图1中进行了总结。为了研究噪声实验的拟合精度和可重复性，并利用来自OAI数据库的体内数据进行了模拟实验。模拟2000个MESE信号，T2范围为20 ~ 80 ms, B1范围为0.9 ~ 1.1。每一种方法都是在增加高斯噪声后拟合T2值。对于每个信噪比，该过程重复10次，并重新采样噪声。准确度采用平均误差百分比(MPE)和平均绝对误差百分比(MAPE)评估，重复性采用变异系数(CV)评估。在OAI数据库中5个被试(每个KLG 1个)的谱图中注入两次高斯噪声，随着方差的增加而被破坏。方法采用Bland-Altman (BA)分析方法进行重复性评价。为了评估拟合方法之间的一致性以及这如何影响OA存在的推断，从OAI数据集中随机选择了50名受试者:5M)每KLG(0,1,2,3,4)。髌骨(P)和胫股(TF)软骨T2图谱采用所有描述的拟合方法逐像素计算。使用自动分割的DESS图像配准到MESE图像，在提取的7个roi (MF和LF的P、MT、LT、中央和后区)中计算平均T2。采用BA分析，利用协议限(LOA)和平均偏倚来评估平均T2值的两两一致性。林的一致性系数(ρc)和CV也被用作一致性的度量。然后以OA存在(KLG≥2)为因变量，T2为自变量，体重指数为协变量，在MT和MF中央区域进行logistic回归模型。结果模拟实验中不同拟合方法的smpe和CV随信噪比的变化见图2(上图)。EPG方法在所有信噪比水平上的准确性优于基于指数的方法。EPG-DL方法在准确性和可重复性方面具有最佳的总体性能。体内LOA和CV随信噪比的函数分析(图2，底部)表明，基于epg的方法比基于exp的方法具有更高的重复性。EPG-DL方法在体内数据中也具有最佳的总体性能。体内T2成对方法比较(图3)显示，总体而言，基于epg的方法具有更高的方法间一致性(- 0.1 ms <偏见& lt;0.05 ms, 0.2 <贷款& lt;1.13 ms， ρc ~ 0.99)，与基于指数的方法(-0.7 ms <偏见& lt;2 ms, 3.2 ms <贷款& lt;5.3 ms, 0.86 <ρc & lt;0.94)。基于epg的方法和基于指数的方法之间的一致性较差(0.34 <ρc & lt;0.44, Bias ~ 10 ms, LOA ~ 4 ms)。参考表1，在MT区域，使用基于EPG的方法获得的t2相关OA奇比高于基于exp的方法(EPG OR = 1.19, 1.13 <EXP OR <1.18)。结论基于epg的T2松弛时间拟合方法比基于exp的T2松弛时间拟合方法更准确、可重复。 初步的体内实验也表明，与基于exp的方法相比，EPG方法对噪声的鲁棒性更高。此外，epg方法显示出高度的方法间一致性。基于exp的方法间T2较低的一致性极大地影响了OA严重程度的推断。尽管样本量有限，但这些结果表明，在OAI中基于epg计算T2图的方法可能导致较低的方法依赖变异性。在基于epg的方法中，DL方法的重复性最高。EPG-DL的高重复性与其计算效率相结合，可以更好地利用OAI数据集中的T2信息，特别是在涉及纵向分析时。我们计划使用EPG-DL方法来计算整个OAI数据集的T2地图，并将其公开供研究人员使用。